pymc.KLqp

class pymc.KLqp(approx, beta=1.0)

Kullback Leibler 散度推断

拟合定义 \(logq\) 的近似值的一般方法是通过最大化 ELBO（证据下界）。在某些情况下，重新调整正则化项 KL 可能是有益的。

\[ELBO_\beta = \log p(D|\theta) - \beta KL(q||p)\]

参数:

approx: :class:`近似`

近似拟合，需要有 logQ

beta: float

在ELBO中缩放正则化项（参见Christopher P. Burgess等人，2017年）

参考文献

• Christopher P. Burgess 等人 (NIPS, 2017) 理解 \(\beta\)-VAE 中的解耦 arXiv 预印本 1804.03599

方法

KLqp.__init__(approx[, beta])
KLqp.fit([n, score, callbacks, progressbar])	执行算子变分推断
KLqp.refine(n[, progressbar])	使用最后编译的步骤函数优化解决方案
KLqp.run_profiling([n, score])

属性

approx